目标检测-R-FCN

Posted wyx501

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了目标检测-R-FCN相关的知识,希望对你有一定的参考价值。

1、R-FCN结构

适应全卷积化CNN结构,提出全卷积化设计

共享ResNet的所有卷积层

引入变换敏感性(Translation variance)

  1、位置敏感分值图(Position-sensitive score maps)

    特殊设计的卷积层

    Grid位置信息+类别分值

  2、位置敏感池化(Position-sensitive RoI pooling)

    无训练参数

    无全连接网络的类别判断

位置敏感卷积层:使用k^2(C+1)个通道对(位置,类别)进行组合编码

    类别:C个物体类+1个背景类

    相对位置:K*K个Grid

位置敏感RoI池化层:显式地编码相对位置信息

R-FCN的Score map的可视化

2、R-FCN的训练

OHEM(Online Hard Example Mining)

  首先对RPN获得的候选ROI(正负样本分别进行排序)进行排序操作;

  然后在含有正样本(目标)的ROI中选择前N个ROI,将正负样本的比例维持在1:3的范围内,保证每次抽取的样本中都会有一定的正样本

  这样训练可以提高网络的分类能力

Faster R-CNN的4步训练法

  2轮:RPN跟R-FCN交替训练

 

以上是关于目标检测-R-FCN的主要内容,如果未能解决你的问题,请参考以下文章

目标检测-R-FCN

R-FCN论文理解

目标检测算法-Light Head R-CNN

目标检测论文整理

4. 基于深度学习的目标检测算法的综述(转)

R-FCN:基于区域的全卷积网络来检测物体